Le calcul scientifique dopé aux agents IA a franchi un cap très concret mardi, lorsque OpenAI a publié un rapport de terrain montrant comment des chercheurs ont utilisé des agents de codage IA pour condenser en quelques jours des travaux logiciels qui prenaient auparavant plusieurs mois.
Le rapport documente des déploiements réels en génomique et, plus largement, en biologie computationnelle, où des tâches qui exigeaient jusqu’à 18 mois ont été menées à bien en environ une semaine.
OpenAI y voit la preuve que l’« agentic AI » transforme déjà les modes de découverte scientifique : il ne s’agit plus d’une promesse à long terme, mais d’une capacité opérationnelle, déjà utilisée sur le terrain.
Calcul scientifique agentique : ce que montre réellement le rapport d’OpenAI
Le cœur du rapport porte sur le calcul scientifique reposant sur des agents IA, avec des constats très concrets. Des scientifiques travaillant sur des pipelines de génomique ont eu recours à des agents de codage IA pour moderniser des logiciels scientifiques hérités, à une vitesse difficilement concevable il y a encore deux ans.
L’un des cas décrits concerne un projet de modernisation logicielle estimé à 18 mois de travail d’ingénierie. Avec des agents de codage IA, ce même chantier a été bouclé en une semaine.
Ce facteur de compression, de l’ordre de 90 %, ne tient pas simplement au fait « d’écrire du code plus vite ».
Il reflète un changement complet de modèle de travail. Les agents IA ne se bornent pas à autocompléter des lignes de code.
Ils lisent la base de code existante, repèrent ce qui est obsolète, proposent des réécritures, testent les résultats et itèrent, le tout avec un minimum d’interventions humaines entre chaque étape. Les scientifiques fixent des objectifs aux agents plutôt que de leur dicter chaque instruction.
C’est ce qui distingue un agent IA d’un simple assistant de programmation.
Un copilote suggère la prochaine ligne de code. Un agent planifie une tâche multi‑étapes, l’exécute au fil d’une session, surveille ses propres sorties et les révise lorsque les résultats s’écartent des plages attendues.
Le rapport d’OpenAI est l’un des récits publics les plus précis de ce que cela donne concrètement dans une institution de recherche.
Pourquoi la génomique est le terrain d’essai naturel des agents de codage IA
La génomique constitue un banc d’essai idéal pour l’IA agentique pour des raisons structurelles. Le secteur repose massivement sur des logiciels hérités, parfois vieux de plusieurs décennies, écrits en Fortran ou en C par des scientifiques qui privilégiaient avant tout la justesse des résultats, bien plus que la maintenabilité du code.
Cette dette technique s’accumule. Moderniser un pipeline de génomique exige en principe des ingénieurs capables de maîtriser à la fois la biologie et l’architecture logicielle.
Ce double profil est rare et coûteux.
Les agents de codage IA court-circuitent cette rareté. Ils peuvent lire la documentation dans plusieurs langages de programmation, interpréter les commentaires scientifiques enfouis dans du vieux code et générer des équivalents modernes sans nécessiter des années de formation métier.
Le goulot d’étranglement se déplace : il ne s’agit plus de trouver l’ingénieur idéal, mais de formuler le bon cahier des charges pour l’agent. Et ce problème‑là est bien plus simple à résoudre.
À lire aussi : Les attaques « crypto wrench » atteignent 52 cas en six mois, la plupart en France
Le rapport d’OpenAI ne se limite pas à la modernisation logicielle, il aborde aussi l’accélération de la découverte scientifique.
Des agents qui exécutent un code plus rapide, dans des pipelines plus propres, sur des jeux de données plus vastes, produisent des résultats plus vite. En génomique, des résultats plus rapides signifient une identification plus précoce de variants génétiques, une validation accélérée de cibles thérapeutiques et des délais raccourcis entre hypothèse et confirmation expérimentale.
L’avantage de vitesse a un effet cumulatif.
Comment la prudence de Sam Altman s’articule avec cette accélération
La publication du rapport intervient le même jour que les déclarations du CEO d’OpenAI, Sam Altman, à TechCrunch, selon lesquelles l’entreprise pourrait devoir « modérer le rythme du développement de l’IA pour que le monde soit prêt à l’accueillir ». Cette tension est réelle et mérite d’être nommée.
Une entreprise qui, d’un côté, met en avant des preuves que ses agents de codage IA compriment des projets scientifiques de 18 mois en une semaine et, de l’autre, suggère que le monde n’est peut‑être pas prêt pour la suite, ne se contredit pas.
Elle décrit une même réalité sous deux angles.
Le rapport de terrain décrit la capacité. Le commentaire d’Altman souligne les conséquences.
Les deux approches sont exactes. La question que ni l’un ni l’autre ne tranche clairement est de savoir où réside réellement le pouvoir de fixer le tempo : dans les laboratoires, chez les régulateurs, ou entre les mains des chercheurs qui font déjà tourner ces agents au cœur de pipelines de génomique en production.
D’une curiosité de labo à une véritable infrastructure scientifique
La tendance de fond est claire : les agents de codage IA dans le calcul scientifique ne sont plus à l’étape de l’expérimentation, ils sont en phase de déploiement.
Le document d’OpenAI est un rapport de terrain, pas un article de recherche. Cette nuance est importante.
Un article de recherche décrit ce qui est possible en conditions contrôlées. Un rapport de terrain décrit ce qui s’est effectivement produit lorsque de vrais scientifiques ont utilisé de vrais outils sur de vrais problèmes, puis ont mesuré les résultats.
Historiquement, le calcul scientifique a toujours pris du retard sur le logiciel grand public dans l’adoption de nouveaux outils.
La réduction de 18 mois à une semaine décrite par OpenAI indique que cet écart se comble bien plus vite que ce que la plupart des institutions avaient anticipé. Les laboratoires et universités qui n’ont pas encore audité leurs bases de code héritées en vue d’une modernisation assistée par agents se retrouvent, désormais, objectivement en retard sur leurs pairs.
Le cas de la génomique n’est d’ailleurs pas propre à la biologie.
La chimie computationnelle, la modélisation du climat, l’astrophysique ou encore la science des matériaux reposent elles aussi sur des bases de code vieillissantes, entretenues par un nombre limité d’experts. Les dynamiques qui ont fait de la génomique un pionnier sont transposables à l’ensemble des disciplines scientifiques fortement consommatrices de calcul.
Ce qu’OpenAI a mis en évidence dans un domaine semble aisément réplicable dans une douzaine d’autres.
À lire ensuite : Le portefeuille Sparrow sur l’App Store d’Apple était un faux, et 1,8 M$ ont disparu